2026-06-18 Usually protein regions Pathogen proteomes Amino acid frequency Linear epitope libraries Statistical analysis Antigen ’ Identifying epitopes Natural language processing Methods inspired Practically null Human proteome 7 amino acids Building blocks Usually protein regions Specific regions Statistical analysis Aromatic residues Foreign immune Mapping epitopes Foreign immune Immune system recognizes Conventional sequence analysis Stimulating entities Universal epitope libraries Immune epitope database Linear epitopes deposited Immune system recognizes Statistical Analysis and Tokenization of Epitopes to Construct Artificial Neoepitope Libraries 3 [Dataset] Análisis estadístico y Tokenización de Epitopes para Construir Bibliotecas de Neoepitope Artificial 3 [Dataset] (Traducción automática) http://hdl.handle.net/10261/356803 info:eu-repo/semantics/dataset Los epítopos son regiones específicas en la superficie de un antígeno que el sistema inmunitario reconoce. Los epitopos son generalmente regiones de proteínas en entidades extranjeras inmunitarias estimulantes como virus y bacterias, y en algunos casos, las proteínas endógenas pueden actuar como antígenos. Identificar las epitopías es crucial para acelerar el desarrollo de vacunas e inmunoterapias. Sin embargo, mapear epitopes en proteomas patógenos es un reto usando métodos convencionales. Proteger bibliotecas artificiales de neoepitope contra anticuerpos puede superar este problema. Aquí, aplicamos análisis de secuencias convencionales y métodos inspirados en el procesamiento de lenguaje natural para revelar patrones de secuencia específicos en los epitopes lineales depositados en la Base de Datos de Epitope Immune (www.iedb.org) que pueden servir como bloques de construcción para el diseño de bibliotecas epitope universales. Nuestros resultados revelan que la frecuencia de aminoácidos en epitopes lineales anotados difiere de eso en el proteoma humano. Los residuos aromáticos están sobrerrepresentados, mientras que la presencia de cisteínas es prácticamente nula en los epitopos. La tokenización por par de byte muestra altas frecuencias de triptófano en fichas de 5, 6, y 7 aminoácidos, corroborando los hallazgos del análisis de secuencia convencional. Estos resultados se pueden aplicar para reducir la diversidad de bibliotecas epitope lineales por órdenes de magnitud. (Traducción automática) Epitopes are specific regions on an antigen’s surface that the immune system recognizes. Epitopes are usually protein regions on foreign immune-stimulating entities such as viruses and bacteria, and in some cases, endogenous proteins may act as antigens. Identifying epitopes is crucial for accelerating the development of vaccines and immunotherapies. However, mapping epitopes in pathogen proteomes is challenging using conventional methods. Screening artificial neoepitope libraries against antibodies can overcome this issue. Here, we applied conventional sequence analysis and methods inspired in natural language processing to reveal specific sequence patterns in the linear epitopes deposited in the Immune Epitope Database (www.iedb.org) that can serve as building blocks for the design of universal epitope libraries. Our results reveal that amino acid frequency in annotated linear epitopes differs from that in the human proteome. Aromatic residues are overrepresented, while the presence of cysteines is practically null in epitopes. Byte pair encoding tokenization shows high frequencies of tryptophan in tokens of 5, 6, and 7 amino acids, corroborating the findings of the conventional sequence analysis. These results can be applied to reduce the diversity of linear epitope libraries by orders of magnitude. 2023-09-13 conforme-DCAT-AP-ES OAI text/plain 2026-06-18 2026-06-18 3118 Readme.txt 2026-06-18 2026-06-18 3118 Readme.txt 2026-06-18 Digital.CSIC Agencia Estatal Consejo Superior de Investigaciones Científicas 2026-06-18 17790221 sb3c00201_si_003.txt 2026-06-18 ICU = IBMB oai:digital.csic.es:10261/356803 OAI-PMH OAI text/plain 2026-06-18 ICU = IBMB oai:digital.csic.es:10261/356803 OAI-PMH OAI text/plain 2026-06-18 2023-09-13 2026-06-18 17790221 sb3c00201_si_003.txt 2026-06-18 2026-07-10T09:01:43.026114+02:00 2026-07-15T23:14:18.971025+02:00 2026-06-22T16:30:30.517244+02:00 DIGITAL.CSIC Agencia Estatal Consejo Superior de Investigaciones Científicas EA0041268 DIGITAL.CSIC Digital.CSIC Agencia Estatal Consejo Superior de Investigaciones Científicas Digital.CSIC Agencia Estatal Consejo Superior de Investigaciones Científicas DIGITAL.CSIC 2023-09-13 2023-09-13